NAMA : M.

FIRSTQI WIRA A

NIM : 210611609394

KELAS : OFFERING E 2021

SOAL
A. Silahkan kalian mendelajah dan temukan materi tentang analisis regresi. Tugas di bawah
ini di ketik di kertas ukuran A4 spasi 1.5 font 12. Tugasnya sbb.
1. Apakah yang dimaksd dengan analisis regresi, jelaskan!
2. Apakah perbedaan antara analisis korelasi (anakorel) dengan analisis regresi (anareg),
lengkapi dg contohnya.
3. Identifikasikan macam² analisis regresi tersebut! Lengkapi dg contohnya
4. Bagaimanakah bentuk garis persamaan regresi tunggal dan berganda 2 variabel bebas
dan 3 bebas.
5. Apakah yang dimaksud dg intercep dan apakah simbolnya.
6. Apakah yg dimaksud dg slope, jelaskan dan apakah simbolnya
7. Bagaimanakah cara mencari koef. Regresi Intercept untuk 1 variabel bebas, 2 variabel
bebas dan 3 variabel bebas
8. Bagaimanakah rumus untuk menghitung koefisien regresi bentuk intercept
9. Bagaimanakah cara menghitung koefisien slop
10. Temukan bagimana rumus uji lanjut agar garis regresi dapat digunakan untuk
meramalkan individu

JAWABAN :
1. Apakah yang dimaksd dengan analisis regresi, jelaskan!
Analisis regresi mempelajari bentuk hubungan antara satu atau lebih
peubah/variabel bebas (X) dengan satu peubah tak bebas (Y). Dalam penelitian
peubah bebas ( X) biasanya peubah yang ditentukan oleh peneliti secara bebas
misalnya dosis obat, lama penyimpanan, kadar zat pengawet, umur ternak dan
sebagainya. Analisis regresi merupakan suatu metode atau teknik analisis hipotesis
 penelitian untuk menguji ada tidaknya perngaruh antara variabel satu dengan variabel
lain, yang dinyatakan dalam bentuk persamaan matematik (regresi).

Terdapat dua jenis dasar regresi yaitu, regresi linear sederhana dan regresi
linear berganda. Kalau regresi linear sederhana menggunakan satu variabel
independen untuk menjelaskan atau memprediksi hasil dari variabel dependen Y.
Sedangkan regresi linear multiples atau berganda berfungsi untuk mencari pengaruh
dari dua atau lebih variabel independent (variabel bebas atau X) terhadap variabel
dependent (variabel terikat Y).

Dengan demikian secara sederhana dapat dikatakan bahwa, apabila kita ingin
mengetahui ada tidaknya pengaruh satu variabel X terhadap variabel Y maka
digunakan analisis regresi sederhana. Sementara apabila kita ingin mengetahui
pengaruh dua variabel X atau lebih terhadap variabel Y maka digunakan analisis
regresi linear ganda (multiples)

2. Perbedaan dasar antara analisis korelasi (anakorel) dengan analisis regresi (anareg)
sebagai berikut;

A. Analisis Korelasi : Korelasi hanya menunjukkan sekedar hubungan, Dalam

korelasi tidak ada istilah tergantung dan variabel bebas
B. Analisis Regresi : regresi menunjukakan hubungan pengaruh, Dalam regresi
terdapat istilah tergantung dan variabel bebas.
C. Jenis Analisis Korelasi dan Contohnya

Adapun penjelasan terkait dengan bentuk analisis korelasi beserta dengan

contohnya dalam penelitian. Antara lain;

a. Korelasi Pearson

Korelasi Pearson r adalah statistik korelasi yang paling banyak digunakan untuk
mengukur tingkat hubungan antara variabel yang berhubungan secara linier.

Sebagai contoh, di pasar saham, jika kita ingin mengukur bagaimana dua saham
saling terkait, digunakan korelasi Pearson r untuk mengukur derajat hubungan
 antara keduanya. Korelasi Point-Biserial dilakukan dengan rumus korelasi
Pearson kecuali salah satu variabelnya dikotomis.

Contoh pertanyaan penelitian yang dapat diperiksa oleh Korelasi Pearson,

misalnya:

1. Apakah ada hubungan yang signifikan secara statistik antara usia, yang diukur
dalam tahun, dan tinggi, yang diukur dalam cm?
2. Apakah ada hubungan antara suhu, diukur dalam derajat Fahrenheit, dan
penjualan es krim, diukur dengan pendapatan?
3. Apakah ada hubungan antara kepuasan kerja, yang diukur dengan JSS, dan
pendapatan, yang diukur dalam dolar?
b. Korelasi peringkat Kendall

  Korelasi peringkat Kendall adalah uji non-parametrik yang mengukur kekuatan

ketergantungan antara dua variabel. Jika kita mempertimbangkan dua sampel, a
dan b, di mana setiap ukuran sampel adalah n, kita tahu bahwa jumlah pasangan
dengan a b adalah n (n-1) / 2.

Berikut rumus yang digunakan untuk menghitung nilai korelasi rank kendall:

nc = jumlah konkordan

nd = jumlah diskordan
c. Korelasi Spearman

Korelasi spearman adalah tes non-parametrik yang digunakan untuk mengukur

tingkat hubungan antara dua variabel. Uji korelasi peringkat Spearman tidak
membawa asumsi apa pun tentang distribusi data dan merupakan analisis korelasi
yang sesuai ketika variabel diukur pada skala yang setidaknya ordinal

Contoh-contoh pertanyaan penelitian yang dapat diperiksa oleh korelasi spearman,

misalnya:

1. Apakah ada hubungan yang signifikan secara statistik antara tingkat

pendidikan peserta (sekolah menengah, sarjana, atau sarjana) dan gaji awal
mereka?
 2. Apakah ada hubungan yang signifikan secara statistik antara posisi finis
kuda dan usia kuda?
Ditinjau dari kemungkinan hasil studi, setidaknya ada tiga jenis korelasi yang
dihasilkan, yaitu:

d. Korelasi Positif

Korelasi positif adalah hubungan antara dua variabel di mana kedua variabel
bergerak searah. Oleh karena itu, ketika satu variabel meningkat seiring dengan
peningkatan variabel lainnya, atau satu variabel menurun sedangkan variabel
lainnya menurun. Contoh korelasi positif adalah tinggi dan berat badan. Orang
yang lebih tinggi cenderung lebih berat.

Korelasi positif berkisar dari 0 hingga +1; batas atas yaitu +1 adalah koefisien
korelasi positif sempurna. Korelasi positif sempurna menentukan bahwa, untuk
setiap peningkatan unit dalam satu variabel, ada peningkatan proporsional di
variabel lainnya.

e. Korelasi Negatif

Korelasi negatif adalah hubungan antara dua variabel di mana kenaikan satu
variabel dikaitkan dengan penurunan variabel lainnya. Contoh korelasi negatif
adalah ketinggian di atas permukaan laut dan suhu. Saat kita mendaki gunung
(bertambahnya ketinggian), semakin dingin (penurunan suhu).

Korelasi negatif berkisar dari 0 hingga – 1; batas bawah memberikan korelasi

negatif yang sempurna. Korelasi negatif sempurna menunjukkan bahwa untuk
setiap kenaikan satuan di satu variabel, ada penurunan satuan proporsional di
variabel lainnya.

f. Korelasi Nol

Korelasi nol ada jika tidak ada hubungan antara dua variabel. Misalnya tidak ada
hubungan antara jumlah minum teh dan tingkat kecerdasan. Contoh lainnya
misalnya tidak ada korelasi antara berat badan dan kecerdasan, ukuran sepatu
dan gaji bulanan. Korelasi nol adalah titik tengah rentang – 1 hingga +1.

D. Contoh Analisis Regresi

 Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima
mahasiswa dipengaruhi dengan jarak tempuh dari rumah ke kampus. Apabila
didasarkan dari penjelasan logis maka semakin dekat jarak rumah dengan kampus
maka akan semakin kecil nilai uang saku mahasiswa, sebaliknya apabila semakin
jauh jarak tempuh dari rumah ke kampus maka akan semakin besar jumlah uang
saku mahasiswa, sehingga jarak tempuh dari rumah ke kampus (variabel X) akan
mempengaruhi nilai uang saku mahasiswa (variabel Y) secara positif.

3. Identifikasikan macam² analisis regresi tersebut! Lengkapi dg contohnya

A. Analisis Regresi Linier
Teknik analisis regresi linier adalah salah satu teknik pemodelan yang paling dikenal,
karena merupakan salah satu metode analisis regresi elit pertama yang diambil oleh
orang-orang pada saat mempelajari pemodelan prediktif.

Perlu diketahui, dalam regresi linier berganda terdapat lebih dari satu variabel
independen dan dalam regresi linier sederhana hanya terdapat satu variabel
independen. Dengan demikian, regresi linier paling baik digunakan hanya jika ada
hubungan linier antara variabel bebas dan  contohnya :

Misalnya saja sebuah bisnis dapat menggunakan regresi linier untuk mengukur
keefektifan kampanye pemasaran, penetapan harga, dan promosi atas penjualan suatu
produk. Misalkan sebuah perusahaan yang menjual peralatan olahraga ingin
memahami apakah dana yang mereka investasikan dalam pemasaran dan branding
produk mereka telah memberi mereka keuntungan yang besar atau tidak.

Dari contoh tersebut regresi linier adalah metode statistik terbaik untuk menafsirkan
hasil. Hal terbaik tentang regresi linier adalah ini juga membantu dalam menganalisis
dampak yang tidak jelas dari setiap aktivitas pemasaran dan pencitraan merek, namun
juga mengontrol potensi konstituen untuk mengatur penjualan.

Jika perusahaan menjalankan dua atau lebih kampanye iklan pada saat yang
bersamaan yang seolah-olah satu di televisi dan dua di radio, maka regresi linier dapat
dengan mudah menganalisis pengaruh independen serta gabungan dari menjalankan
iklan ini bersama-sama.

1. Analisis Regresi Logistik

 Regresi logistik biasanya digunakan untuk menentukan probabilitas event=Success
and event=Failure. Setiap kali variabel dependen adalah biner seperti 0/1, Benar /
Salah, Ya / Tidak, regresi logistik digunakan. Dengan demikian, dapat dikatakan
bahwa regresi logistik digunakan untuk menganalisis pertanyaan tertutup dalam
survei atau pertanyaan yang menuntut respons numerik dalam survei.

Perlu diketahui, regresi logistik tidak memerlukan hubungan linier antara variabel
dependen dan variabel independen seperti halnya regresi linier. Regresi logistik
menerapkan transformasi log non-linier untuk memprediksi rasio peluang. Oleh
karena itu, ia dengan mudah menangani berbagai jenis hubungan antara variabel
dependen dan variabel independen. Contohnya :

Adapun contoh metode dalam regresi logistik banyak digunakan untuk menganalisis
data kategorik, khususnya untuk data respon biner dalam pemodelan data bisnis.
Regresi logistik lebih sering digunakan ketika variabel dependen bersifat kategoris
seperti memprediksi apakah klaim kesehatan yang dibuat oleh seseorang itu nyata
atau curang, untuk memahami apakah tumor itu ganas atau tidak.

Bisnis menggunakan regresi logistik untuk memprediksi apakah konsumen dalam

demografi tertentu akan membeli produk mereka atau akan membeli dari pesaing
berdasarkan usia, pendapatan, jenis kelamin, ras, negara tempat tinggal, pembelian
sebelumnya, dan lain-lain.

2. Analisis Regresi Polinomial

Regresi polinomial biasanya digunakan untuk menganalisis data lengkung dan ini
terjadi ketika kekuatan variabel independen lebih dari 1. Dalam metode analisis
regresi ini, garis yang paling cocok tidak pernah menjadi ‘garis lurus’ tetapi selalu
‘garis kurva’ cocok dengan poin data.

Perlu dicatat bahwa regresi polinomial lebih baik digunakan ketika beberapa variabel
memiliki eksponen dan sedikit yang tidak. Selain itu, dapat memodelkan data yang
dapat dipisahkan secara non-linier yang menawarkan kebebasan untuk memilih
eksponen yang tepat untuk setiap variabel dan itu juga dengan kontrol penuh atas fitur
pemodelan yang tersedia.
 Adapun contoh analisis regresi polinomial bila dikombinasikan dengan analisis
permukaan respons dianggap sebagai pendekatan statistik canggih yang biasa
digunakan dalam penelitian umpan balik multisumber. Regresi polinomial banyak
digunakan di industri yang berhubungan dengan keuangan dan asuransi dimana
hubungan antara variabel dependen dan independen bersifat lengkung.

Misalkan seseorang ingin menganggarkan perencanaan pengeluaran dengan

menentukan berapa banyak waktu yang dibutuhkan untuk mendapatkan sejumlah
uang yang pasti.

Regresi polinomial dengan memperhitungkan pendapatannya dan memprediksi

pengeluaran dapat dengan mudah menentukan waktu yang tepat yang dia butuhkan
untuk bekerja untuk mendapatkan jumlah tertentu dari jumlah tersebut.

3. Analisis Regresi Bertahap

Analisis regresi bertahap adalah proses semi-otomatis yang dengannya model statistik
dibangun baik dengan menambahkan atau menghapus variabel yang bergantung pada
statistik-t dari koefisien estimasi mereka. Jika digunakan dengan benar, regresi
bertahap akan memberi kita data yang lebih kuat daripada metode apa pun. Ini
berfungsi dengan baik saat kita bekerja dengan sejumlah besar variabel independen.

Dimana anlisis data ini hanya menyempurnakan model analisis dengan memasukkan
variabel secara acak. Analisis regresi bertahap direkomendasikan untuk digunakan
jika terdapat beberapa variabel independen, di mana pemilihan variabel independen
dilakukan secara otomatis tanpa campur tangan manusia.

Perlu kita catat bahwa dalam pemodelan regresi bertahap, variabel ditambahkan atau
dikurangkan dari kumpulan variabel penjelas. Kumpulan variabel yang ditambahkan
atau dihapus dipilih tergantung pada statistik uji dari koefisien yang diperkirakan.

Misalkan kita memiliki sekumpulan variabel independen seperti usia, berat badan,
luas permukaan tubuh, durasi hipertensi, denyut nadi basal, dan indeks stres
berdasarkan yang ingin kita analisis pengaruhnya terhadap tekanan darah.

Dalam regresi bertahap, subset terbaik dari variabel independen dipilih secara
otomatis, baik dimulai dengan tidak memilih variabel untuk melanjutkan lebih jauh
(karena menambahkan satu variabel pada satu waktu) atau dimulai dengan semua
 variabel dalam model dan melanjutkan ke belakang (menghapus satu variabel pada
suatu waktu).

Jadi, dengan menggunakan analisis regresi, kita dapat menghitung dampak masing-
masing atau sekelompok variabel terhadap tekanan darah.

1. Analisis Regresi Ridge

Regresi ridge didasarkan pada metode kuadrat terkecil biasa yang digunakan untuk
menganalisis data multikolinearitas (data di mana variabel independen sangat
berkorelasi). Kolinearitas dapat dijelaskan sebagai hubungan yang hampir linier
antara variabel.

Setiap kali terjadi multikolinearitas, perkiraan kuadrat terkecil tidak akan bias; tetapi,
jika perbedaan di antara keduanya lebih besar, maka itu mungkin jauh dari nilai
sebenarnya. Namun, regresi ridge menghilangkan kesalahan standar dengan
menambahkan beberapa tingkat bias ke perkiraan regresi dengan motif untuk
memberikan perkiraan yang lebih dapat diandalkan.

Perlu kita catat bahwa asumsi yang diturunkan melalui regresi ridge mirip dengan
regresi kuadrat terkecil, satu-satunya perbedaan adalah normalitas. Meskipun nilai
koefisien dibatasi dalam regresi ridge, nilai koefisien tidak pernah mencapai nol yang
menunjukkan ketidakmampuan untuk memilih variabel.

Misalkan kita tergila-gila pada dua gitaris yang tampil live di sebuah acara di dekat
tempat tinggal kita dan kita pergi menonton penampilan mereka dengan motif untuk
mencari tahu siapa gitaris yang lebih baik.

Tetapi ketika pertunjukan dimulai, kita melihat bahwa keduanya memainkan nada
hitam-biru pada saat yang bersamaan. Apakah mungkin menemukan gitaris terbaik
yang memiliki pengaruh terbesar pada suara di antara mereka saat mereka bermain
dengan keras dan cepat?

Karena keduanya memainkan nada yang berbeda, sangat sulit untuk membedakannya,
menjadikannya kasus multikolinearitas terbaik, yang pada gilirannya memiliki
kecenderungan meningkatkan kesalahan standar koefisien. Regresi ridge membahas
 multikolinearitas dalam kasus-kasus seperti ini dan menyertakan bias atau estimasi
penyusutan untuk mendapatkan hasil.

Jenis regresi Berganda

Regresi berganda sebagai salah satu jenis analisis statistik, banyak sekali macamnya,
tergantung pada skala data per variabel. Berikut saya jelaskan satu persatu:

Regresi Linear Berganda

Regresi Linear Berganda adalah model regresi berganda jika variabel terikatnya

berskala data interval atau rasio (kuantitatif atau numerik). Sedangkan variabel bebas
pada umumnya juga berskala data interval atau rasio. Namun ada juga regresi
linear dimana variabel bebas menggunakan skala data nominal atau ordinal, yang
lebih lazim disebut dengan istilah data dummy. Maka regresi linear yang seperti itu
disebut dengan istilah regresi linear dengan variabel dummy.

Contoh regresi berganda jenis ini adalah: “pengaruh DER dan NPM terhadap Return
Saham.”

A. Regresi Berganda
a. Regresi Logistik Berganda

Regresi Logistik berganda adalah model regresi berganda jika variabel terikatnya

adalah data dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah
kategori sebanyak 2 kategori. Misal: Laki-laki dan perempuan, baik dan buruk, ya dan
tidak, benar dan salah serta banyak lagi contoh lainnya. Sedangkan variabel bebas
jenis regresi berganda ini pada umumnya adalah juga variabel dikotomi. Namun tidak
masalah jika variabel dalam skala data interval, rasio, ordinal maupun multinomial.
Contoh regresi berganda jenis ini adalah: pengaruh rokok dan jenis kelamin terhadap
kejadian kanker paru. Dimana rokok kategorinya ya dan tidak, jenis kelamin
kategorinya laki-laki dan perempuan, sedangkan kejadian kanker paru kategorinya ya
dan tidak.
 Ada dua metode yang sering dipakai dalam jenis regresi berganda ini, yaitu
metode logit dan probit.

b. Regresi Ordinal berganda

Regresi berganda jenis ini adalah analisis regresi dimana variabel terikat adalah

berskala data ordinal. Sedangkan variabel bebas pada umumnya juga ordinal, namun
tidak masalah jika variabel dengan skala data yang lain, baik kuantitatif maupun
kualitatif. Keunikan regresi ini adalah jika variabel bebas adalah data kategorik atau
kualitatif, maka disebut sebagai faktor. Sedangkan jika data numerik atau kuantitatif,
maka disebut sebagai covariates.

Ada 5 metode perhitungan jenis regresi ordinal yang dapat anda pelajari pada
artikel kami yang berjudul: Penjelasan Regresi Ordinal. Contoh regresi berganda jenis
ini adalah: pengaruh tingkat penghasilan dan usia terhadap tingkat pengetahuan
terhadap IT. Dimana tingkat penghasilan sebagai faktor dengan kategori: rendah,
menengah dan tinggi. Usia sebagai covariates dengan skala data numerik. Dan tingkat
pengetahuan terhadap IT sebagai variabel terikat berskala data ordinal dengan
kategori: baik, cukup dan kurang.

c. Regresi Multinomial Berganda

Regresi multinomial berganda adalah jenis regresi dimana variabel terikat adalah data
nominal dengan jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih dari
satu variabel. Jenis regresi ini hampir sama dengan regresi logistik berganda, namun
bedanya adalah variabel terikat kategorinya lebih dari dua, sedangkan regresi logistik
berganda variabel terikatnya mempunyai kategori hanya dua (dikotomi). Regresi ini
juga mirip dengan regresi ordinal, hanya saja bedanya skala data pada regresi ini tidak
bertingkat (bukan ordinal) atau dengan kata lain tidak ada yang lebih baik atau lebih
buruk.

Contoh regresi ini adalah: Pengaruh Pendidikan Orang Tua dan Penghasilan Orang
Tua terhadap pilihan jurusan kuliah. Dimana pendidikan dan penghasilan orang tua
berskala data ordinal dan pilihan jurusan kuliah adalah variabel berskala data nominal
 lebih dari dua kategori, yaitu: jurusan kesehatan, hukum, sosial, sastra, pendidikan,
lain-lain.

d. Regresi Data Panel Berganda

Dari jenis-jenis di atas, sebenarnya masih ada jenis lain yang merupakan
pengembangan dari jenis-jenis di atas, yaitu dengan adanya kompleksitas berupa data
time series atau runtut waktu, atau data panel. Seperti yang terjadi pada regresi data
panel ataupun regresi cochrane orcutt.

Kalau misalnya regresi linear data panel, jika ada lebih dari satu variabel bebas, maka
bisa disebut dengan istilah regresi linear data panel berganda. Namun kebanyakan
orang atau peneliti, cukup menggunakan istilah yang umum digunakan, yaitu cukup
dengan menyebut sebagai regresi data panel saja.

4. Bagaimanakah bentuk garis persamaan regresi tunggal dan berganda 2 variabel bebas
dan 3 bebas.

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana,
hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:

Y = a + b1 X1 + b2 X2 + .... + bn Xn.

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta
(intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.

Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara motivasi
(X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan
persamaan sebagai berikut:

Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

A. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat
B. Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.
 C. Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan
kompensasi tetap, maka kepuasan kerja juga akan meningkat.
Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika pengukuran
variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak boleh
diinterpretasikan bahwa jika variabel motivasi, kompensasi dan kepemimpinan bernilai nol,
sebagai ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah yang
digunakan adalah 1.

Analisis regresi linear berganda memerlukan pengujian secara serempak dengan

menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F hitung dengan F
tabel atau melihat signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi bahwa
secara simultan (serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi
secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang membawa
pistol (diasumsikan polisis dan pistol secara serempak membuat takut penjahat). Akan tetapi
secara parsial, pistol tidak membuat takut seorang penjahat. Contoh lain: air panas, kopi dan
gula menimbulkan kenikmatan, tetapi secara parsial, kopi saja belum tentu menimbulkan
kenikmatan.

Penggunaan metode analisis regresi linear berganda memerlukan uji asumsi klasikyang

secara statistik harus dipenuhi. Asumsi klasik yang sering digunakan adalah asumsi
normalitas, multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas..

Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah
1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di
akhir analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah
diketahui signifikansinya. Koefisien determinasi sebaiknya menggunakan Adjusted R
Square dan jika bernilai negatif maka uji F dan uji t tidak dapat dilakukan.

5. Apahkah yang dimaksud dengan intercept dan apakah simbolnya

Intersep, definisi secara metematis adalah suatu titik perpotongan antara suatu garis dengan
sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata
lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai
 sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang memungkinkan
munculnya koefisien lain di dalam model regresi. Intersep tidak selalu dapat atau perlu untuk
diinterpretasikan. Apabila data pengamatan pada variabel X tidak mencakup nilai 0 atau
mendekati 0, maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu
diinterpretasikan.
6. Apakah yg dimaksud dg slope, jelaskan dan apakah simbolnya
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang
diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula diartikan sebagai
ratarata pertambahan (atau pengurangan) yang terjadi pada variabel Y untuk setiap
peningkatan satu satuan variabel X.
7. Bagaimanakah cara mencari koef. Regresi Intercept untuk 1 variabel bebas, 2 variabel
bebas dan 3 variabel bebas
Bila terdapat 2 variable bebas, yaitu X1 dan X2, maka bentuk persamaan regresinya
adalah : Y = a + b1X1 + b2X2 Keadaan-keadaan bila nilai koefisien-koefisien regresi
b1 dan b2 adalah :  bernilai 0, maka tidak ada pengaruh X1 dan X2 terhadap Y 
bernilai negatif, maka terjadi hubungan yang berbalik arah antara variabel bebas X1
dan X2 dengan variabel tak bebas Y  bernilai positif, maka terjadi hubungan yang
searah antara variabel bebas X1 dan X2 dengan variabel tak bebas Y Konstanta a dan
koefisien-koefisien regresi b1 dan b2 dapat dihitung menggunakan rumus : 2 3
8. Bagaimanakah rumus untuk menghitung koefisien regresi bentuk intercept
Persamaan regresi linier sederhana secara matematik diekspresikan oleh :

Y ˆ  a  bX
yang mana :
Y ˆ = garis regresi/ variable response
a = konstanta (intersep), perpotongan dengan sumbu vertikal
b = konstanta regresi (slope) X = variabel bebas/ predictor

9. Bagaimanakah cara menghitung koefisien slop

 ∑ ( Xi−Yi) ¿
b 1=
∑ ¿¿¿¿
1
b 1=∑ XiYi−( )¿ ¿ ¿
n
10. Temukan bagimana rumus uji lanjut agar garis regresi dapat digunakan untuk
meramalkan individu